Page 473 - 《软件学报》2025年第12期

5854 软件学报 2025 年第 36 卷第 12 期

consistency regularization) [40] 在网络中引入了原型网络, 通过探索强扰动分支的多样性提升性能, 但受限于原型网
络的聚类机制, 其在细粒度分割任务中的效果不佳.
另有部分方法从网络末端入手, 例如 N-CPS [19] , 通过不同分支间的伪标签相互监督, 确保各分支在学习过程中
保持足够的差异性, 并通过一致性正则化引导它们朝正确的方向收敛. 然而, 伪标签本身可能存在错误, 反而可能
误导其他分支学习错误信息, 影响整体模型性能. U2PL (using unreliable pseudo-labels) [41] 通过将低置信度的预测用
于负样本生成, 以此平衡类别训练. 但该方案仍未解决高置信度错误预测导致的确认偏差问题, 限制了模型的进一

步提升. CPSR (class probability space regularization) [42] 旨在综合利用所有未标记数据的有效性息, 将不确定像素的
信息进行处理并转化为有效信息, 但是依然只从一个阶段解决同化问题. IPixMatch [43] 同样从网络末端的损失函数
入手, 引入相关性一致性损失来结合像素间的上下文信息. VC3 (view-coherent correlation consistency) [44] 综合考虑
了网络源端和末端, 引入了新的数据增强策略和损失计算, 但是缺乏对于网络推理阶段的差异化处理.
与上述方法相比, 本文通过在神经网络的不同阶段均引入差异化, 在源端增强策略差异性的基础上, 进一步引
入了推理阶段的特征提取差异性和末端损失学习阶段的监督信号差异性, 全阶段差异性最大程度上保证了分支收
敛的异向性. 通过上述方法, 本文有效地解决了多分支网络中功能退化的问题, 确保了各分支在特征提取和推理过
程中的差异化.
2 基于差异化特征提取的交叉半监督语义分割网络

本节详细介绍本文所提出的基于差异化特征提取的交叉半监督语义分割网络. 如图 2 所示, 每次迭代均进行
一次标签图像训练和无标签图像训练.

差异化特征提取
w (弱增强) Encoder1 f e  u,e
细节引导模块
边缘形状分支 边
缘
w 交叉融合伪标签
检
原图 测
f t
差异筛选模块  u,t
细节纹理分支
s (强增强) f s
s 边界调和模块  u,s
语义上下文分支
交叉融合伪标签
Encoder2
(a) 无标签图像训练过程

w (弱增强)
边缘形状分支  l,s
f e
Encoder1 异
w 差 边
原图 细节纹理分支 化  l,s 缘
检
特
f t
征 测
Encoder2 f s  l,s
s (强增强) s 语义上下文分支 提
取
(b) 标签图像训练过程
图 2 本文方法总体训练流程